图卷积神经网络的变种与挑战

半监督图卷积神经网络(Semi-GCN)对原始的GCN进行了约束与简化,也因此诞生了诸多研究方向。GraphSAGE首先归纳出了Neighbor Aggregate模式;GAT将Attention机制

图卷积神经网络的资料

本文为硬核干货，讲述了GCN近年来的研究进展，包括经典卷积网络、谱图卷积网、空间域图卷积网、GCN基准等。

resources for graph convolutional networks （图卷积神经网络相关资源）

Graph Neural Networks A Review of Methods and Applications

过去几年,卷积神经网络因其强大的建模能力引起广泛关注,在自然语言处理、图像识别等领域成功应用。然而,传统的卷积神经网络只能处理欧氏空间数据,而现实生活中的许多场景,如交通网络、社交网络、引用网络等,都

SpatialTemporalGraphConvolutionalNetworksforSkeleton-BasedActionRecognition.图卷积神经网络，2018年AAAI论文代码。

图卷积神经网络(GCNNs)是深度学习技术在图结构数据问题上的一种强大的扩展。我们对GCNNs的几种池方法进行了实证评估，并将这些图池化方法与三种不同架构(GCN、TAGCN和GraphSAGE)进行

本研究基于图卷积神经网络（GCN）和自注意力机制，针对神经医学图像识别问题进行探究。我们首先将医学图像转化为图结构，并在GCN中引入自注意力机制，以同时考虑节点特征和拓扑结构，从而提高识别准确性。我们

基于站点数据的图卷积神经网络的实现 pyotrch问题描述数据的预处理 问题描述 基于简单数据的图卷积神经网络展示,假设有5个空间相关的点(nodes),每个点有一个特征(feature),通过图卷积